一、文本预处理
预处理通常包括四个步骤：
读入文本
分词
建立字典，将每个词映射到一个唯一的索引(index)
将文本从词的序列转换为索引的序列，方便输入模型
读入文本：
1 import collections 2 import re 3 4 def read_time_machine(): 5 with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f: 6 lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f] 7 return lines 8 9 10 lines = read_time_machine() 11 print('# sentences %d' % len(lines))
分词：
将一个句子划分成若干个词（token），转换为一个词的序列
1 def tokenize(sentences, token='word'): 2 """Split sentences into word or char tokens""" 3 if token == 'word': 4 return [sentence.split(' ') for sentence in sentences] 5 elif token == 'char': 6 return [list(sentence) for sentence in sentences] 7 else: 8 print('ERROR: unkown token type '+token) 9 10 tokens = tokenize(lines) 11 tokens[0:2]
建立字典：
将字符串转换为数字。先构建一个字典（vocabulary），将每个词映射到一个唯一的索引编号
1 class Vocab(object): 2 def __init__(self, tokens, min_freq=0, use_special_tokens=False): 3 counter = count_corpus(tokens) # : 4 self.token_freqs = list(counter.items()) 5 self.idx_to_token = [] 6 if use_special_tokens: 7 # padding, begin of sentence, end of sentence, unknown 8 self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3) 9 self.idx_to_token += ['', '', '', ''] 10 else: 11 self.unk = 0 12 self.idx_to_token += [''] 13 self.idx_to_token += [token for token, freq in self.token_freqs 14 if freq >= min_freq and token not in self.idx_to_token] 15 self.token_to_idx = dict() 16 for idx, token in enumerate(self.idx_to_token): 17 self.token_to_idx[token] = idx 18 19 def __len__(self): 20 return len(self.idx_to_token) 21 22 def __getitem__(self, tokens): 23 if not isinstance(tokens, (list, tuple)): 24 return self.token_to_idx.get(tokens, self.unk) 25 return [self.__getitem__(token) for token in tokens] 26 27 def to_tokens(self, indices): 28 if not isinstance(indices, (list, tuple)): 29 return self.idx_to_token[indices] 30 return [self.idx_to_token[index] for index in indices] 31 32 def count_corpus(sentences): 33 tokens = [tk for st in sentences for tk in st] 34 return collections.Counter(tokens) # 返回一个字典，记录每个词的出现次数
1 '''vocab = Vocab(tokens) 2 print(list(vocab.token_to_idx.items())[0:10]) 3 [('', 0), ('the', 1), ('time', 2), ('machine', 3), ('by', 4), ('h', 5), ('g', 6), ('wells', 7), ('i', 8), ('traveller', 9)]'''
将词转为索引：
使用字典，将原文本中的句子从单词序列转换为索引序列
1 for i in range(8, 10): 2 print('words:', tokens[i]) 3 print('indices:', vocab[tokens[i]])
小结：
用现有工具进行分词：
我们前面介绍的分词方式非常简单，它至少有以下几个缺点:
-
- 标点符号通常可以提供语义信息，但是我们的方法直接将其丢弃了
- 类似“shouldn't", "doesn't"这样的词会被错误地处理
- 类似"Mr.", "Dr."这样的词会被错误地处理
我们可以通过引入更复杂的规则来解决这些问题，但是事实上，有一些现有的工具可以很好地进行分词，我们在这里简单介绍其中的两个：spaCy和NLTK。
无论 use_special_token 参数是否为真，都会使用特殊token——<unk>,用来表示未登录词。
句子长度统计与构建字典无关